Paper Reading@csdl: embedding of Airbnb

paper:

目的：推荐house给客户，要使得客户喜欢，并且，房东要接受该用户（时间，偏爱的客户类型匹配）

细分目的：短期推荐（当客户点击了一个listing之后给他推荐相似的listing，最好属于同一个market），长期推荐（一个用户一年只用两三次，很稀疏，且订的房间属于不同market，cross market 应该如何推荐）

embedding 思想：一个序列中，相依出现的元素，相似度应该高，embedding的结果应该相似

方法：1、给listing做embedding，给定所有的点击序列（序列划分方法：30分钟内得连续点击或者booked了算一个序列），word2vec的办法，来给listing做embedding 特殊技巧：负采样，booked listing作为全局context，加入loss，然后，同一个市场（地方）的集合中选一些负样本，冷启动问题：根据基本的特征，选三个去平均来init

2、给user_type和listing_type做embedding，根据基本特征，分出user_type和listing_type的几个类别，给这些类别embedding，这个场景下只用booked listing，这样，就有（user_type，listing_type）序列（只针对一个用户而言），就可以按照上面的办法给type embedding，如此一来，客户的type可能随时间变化的问题可以解决，对于用户当前的user_type，选出cosine距离最小的listing_type给他推荐就好了。

技巧：loss里面加入reject的序列